行列名称

colnames(iris) 花函数

matrix构造矩阵

cbind列拼

rbind行拼

www.rstudio.com

桌面版本

选操作系统

优势：

脚本编辑

控制台：交互式命令

工作空间：变量，历史命令

文件系统

rstudio有代码提示

rattle,图形化操作界面

R区分大小写

1+1

2+2

在脚本区run

sin(30)

sqrt(12)

帮助系统

ploth绘图函数

help（plot）

example("plot")直接示例

工作空间

getwd()  setwd()

文件操作，完整路径

setwd('c/user/zhang')

R包

library

函数.lib

包的安装

install.packages('arules')

安装过程中需要联网。 

tools  options  cran mirror选中国清华大学镜像

调用library('arules')

使用时先加载detach

更新包

installed.package()

已经安装好的包

.library() 

十四课时：

在编程的时候，会经常用到的操作就是数据的读取。怎么读取数据呢？常用两种方式，一种是本地数据的读入和读出，另一种是网络数据的排序。

一：本地数据的读取

     1.首先，一般数据存储于txt,excel,更大型的数据是使用数据库储存。在R语言中，第一个是读入加载的函数包里的数据 ：library(learningr)

learningr：是数据包

library(learningr)

deer_file<-system.file(

'extdata',%文件夹

'RedDeerEndocranialvolume.dlm',%函数包里的数据 

package='learningr'%函数包

)

deer_data<-read.table(deer_file,header=TRUE,fill=TRUE)

deer_data

基本赋值语句

变量名<-

x<-8

1.数据结构：向量、矩阵、数组、数据框、列表

2.判定用is+转换类型名称，转换用as+转换类型名称

3.length用于测量向量长度，mode

输入help（‘函数名’）

Rstudio区分大小写

基本函数默认直接用

不知道某个函数的用法可以输入help（‘函数名’）例如：help（‘plot’）

Rstudio下载地址：http：//www.rstudio.com/

getwd()来查看当前的工作目录

setwd(）设定当前目录

安装包install.packages('包的名字')

install.packages('arules')

library(）

课堂练习

 2+1 

  2*3 

12^2+21^2

  sin(40)+cos(30)

1.class用于查看数据类型

2.符号c用于创造向量

3.cbind 按列合并    rbind 按行合并

4.函数data frame 构造数据框

5.函数list

R

iris#调用鸢尾花样本集
library(rpart)#加载决策树包
par(family='STXihei')#图形设置避免出现中文乱码
ct<-rpart.control(minsplit = 20,cp=0.1)
#minsplit表示每个节点中所含样本值，cp为复杂度参数,表示建模过程中仅仅保留模拟拟合度提升0.1及以上的节点
fit<-rpart(Species~Sepal.Length+Sepal.Width+Petal.Length+Petal.Width,data = iris,method = "class",control = ct)
#第一种分类
par(mfrow=c(1,3))
plot(fit)
text(fit,use.n=T,all=T,cex = 0.9)

#查看比较
iris[iris$Petal.Length<2.45,]
x<-iris[iris$Petal.Length>=2.45 & iris$Petal.Width<1.75,'Species']
table(x)

##############鸢尾花神经网络识别####################
#随机抽取80%样本作为训练样本
library(nnet)
iris
trIn<-c(sample(1:50,40),sample(51:100,40),sample(101:150,40))
trainD<-iris[trIn,]#训练样本集
testD<-iris[-trIn,]#测试样本集
ide<-class.ind(iris$Species)#类别识别预处理
#构建神经网络，模型训练
#Net<-nnet(trainD[,-5],ide[trIn,],size =5,softmax = TRUE,decay=0.05)
Net<-nnet(trainD[,-5],ide[trIn,],size =5,softmax = TRUE)
#测试神经网络
Result<-predict(Net,testD[,-5],type='class')
#分类结果
OUTCOME<-table(testD$Species,Result)

txt<-readLines("/Users/git/Desktop/Word.txt")
txt<-strsplit(txt,' ')
class(txt)
txt=unlist(txt)
class(txt)
txt<-chartr("A-Z", "a-z", txt)
txt1<-gsub('[[:punct:]]\\w?','',txt)
txt2<-table(txt1)
txt2<-sort(txt2,decreasing = T)
barplot(txt2[1:100])

sum(txt2)

x<-1:20
Num<-function(x){
  stopifnot(is.numeric(x))
  k<-sum(x%%2==0)
  return(k)
  }

Num(x)

x<-1:20
Num<-function(x){
  k=0
  stopifnot(is.numeric(x))
  for (i in 1:length(x)) {
    if(i%%2==0){
      k=k+1
    }
  }
  return(k)
}

Num(x)

repeat，break

a<-0
repeat{
  a<-a+1
  if(a%%2==1){
    print("I LOVE YOU")
  }else{print("I LOVE HIM")}
  
  if(a>=100){
     break
 }
}

while循环语句：while(){},条件判断

a<-0
calcu<-0
while (a<=10) {
a=a+1
if(a%%2==1){
  calcu<-calcu+1
}#求奇数个数
}

for循环语句：

x<-1:200

count<-function(x){
  count1<-0
  for(i in 1:length(x)){
    if(x[i]%%2==1){
      count1<-count1+1
    }
  }
  return(count1)
}
count(x)

count2<-function(x){
  cou<-sum(x%%2==1)
  return((cou))
}
count2(x)

控制流：if-else,if(){}else();switch(case,case1,case2)

apply函数，非常实用！apply(iris[,-5],1,mean)

sapply(iris[,-5],mean),按列操作

sqldf()